Il test su 120 mila sessioni mostrava un +2% di conversioni, ma il 20% era generato da bot

Un funnel di check-out ridisegnato, passaggi ridotti da quattro a tre, progress bar sempre visibile. Secondo ogni logica CRO, avrebbe dovuto spingere il tasso di completamento. Il test su 120 mila sessioni restituì un +2% di conversioni, ma con p-value troppo alto per escludere il caso. Incrociando i dati con l’impronta pre-conversione — movimento del mouse, pattern di clic, tempo di permanenza — il quadro si rovesciò: oltre il 20% delle “conversioni” proveniva da sessioni con un’impronta piatta, identica, priva dei ritmi bot che caratterizzano qualsiasi utente umano. Erano bot. E la loro attività aveva drogato il test fino a renderlo illeggibile.

Quando i tuoi dati mentono meglio di te

I bot sanno superare i controlli di qualità senza fatica. Secondo il Nielsen Norman Group, il controllo attenzione bot viene spesso aggirato con risposte generiche ma formalmente corrette. I segnali per identificarli sono molteplici: i segni di risposte bot includono tempi di completamento uniformi o estremamente rapidi, risposte aperte lunghe e tutte di lunghezza simile, uno stile eccessivamente curato e un inconfondibile tono da AI. Nel nostro test decine di compilazioni arrivavano dallo stesso IP in finestre di pochi minuti. Non serve un indicatore solo: la convergenza di due o tre segnali basta per rimuovere una risposta dal campione.

Il danno peggiore è che le risposte bot arrivano in batch ravvicinati, generando picchi di traffico indistinguibili da picchi organici. La segmentazione Crazy Egg può amplificare questo errore se non si analizza l’impronta pre-conversione. E nel frattempo i budget finanziano clic fantasma. Tra i consigli lead Google Ads compilati da WordStream, l’undicesimo è proprio combattere lo spam dei bot con la tecnologia, segno che il problema non è più una nota a margine ma una voce di costo strutturale.

Il target non sei più tu: sono loro

Mentre i CRO affinano filtri per escludere le macchine, la startup Kickbacks ha scelto la strada opposta: monetizzare l’attenzione sintetica. Il modello Kickbacks consente agli utenti di modelli linguistici di collegare codice alla propria infrastruttura AI e ricevere annunci durante l’esecuzione dei prompt. Oggi funziona con Claude e Codex di Anthropic e OpenAI. Gli utenti incassano il 50% del revenue pubblicitario. I numeri iniziano a pesare: 25.000 download Kickbacks, con nuovi utenti Kickbacks che arrivano a centinaia, a volte migliaia al giorno.

McCalip, fondatore della piattaforma, non usa giri di parole: “La frode nei bot salta fuori in un attimo”. In un’intervista ha spiegato che i pattern non umani sono riconoscibili proprio perché mancano di ritmi bot circadiani. Ed è qui che Kickbacks ribalta il paradigma: invece di scartare quel traffico, lo tratta come un canale pubblicitario legittimo. McCalip lo descrive come “una delle superfici più monetizzabili al mondo”, con dati agentivi incredibilmente ricchi e un tempo di impressione che definisce semplicemente esagerato. Quando un’AI processa un prompt e un annuncio resta esposto per secondi o minuti, la metrica “impression” smette di essere un evento da viewability e diventa un’interazione profonda.

Cosa misuriamo quando il traffico è ibrido

Oggi ottimizziamo landing page, riduciamo attriti, segmentiamo per sorgente. Ma se una quota crescente del traffico a valore non è umana, le metriche classiche di conversione si sfaldano. Kickbacks ha dimostrato che esiste un mercato pubblicitario dove un inserzionista paga per essere visto da un agente AI, e quell’agente può a sua volta generare decisioni di acquisto, prenotazioni, contratti. La domanda non è più come escludere i bot dai dati, ma come distinguere l’attenzione sintetica che produce valore da quella che brucia budget senza esito. Probabilmente misureremo eventi post-conversione su un orizzonte più lungo, incrociando segnali di intenzione generati da agenti. Ma per ora nessuno sa quale sia la minima differenza rilevabile accettabile per un test ibrido umano-macchina.